基于雙向LSTM 的氣動回路故障診斷方法研究*

LEU VAN KIEN 孫 瑜 陳麗娟 方 美 張 敏

（南京理工大學自動化學院 南京 210094）

1 引言

氣動技術是以空氣壓縮機為動力源，用壓縮空氣為工作介質，進行能量傳遞或信號傳遞的工程技術，是實現各種生產控制、自動控制的重要手段之一［1］。氣動回路由氣動元件組成是為了驅動用于各種不同的機械裝置，實現控制與生產裝置相連接的各種類型氣缸。氣動元件大多應用于生產線，氣動元件的故障往往會影響全線的運行，生產線的突然停業，造成的損失嚴重，為此對氣動元件的工作可靠性提出了高要求。當氣動元件運行到一定次數時會出現疲勞破壞現象，所以研究氣動元件的故障診斷對生產線來說意義重大［2］。王宣銀［3］等提出了應用于氣動生產線的模糊神經網絡故障診斷專家系統。Xiaolin［4］等通過從傳感器采集信號的小波分析中提取用于泄漏形態分類的特征值實現了氣動系統的泄漏診斷與定位。Andreas Barner［5］等使用基于信號的診斷方法監測氣動系統故障樹的頂部事件從而實現氣動系統故障檢測。K.S.Grewal［6］等提出了結合使用奇偶方程和卡爾曼濾波應用于氣動回路故障診斷。Brian［7］等提出一種基于模型的故障檢測與隔離（FDI）方法，通過建立氣動系統的故障模型，在實驗平臺進行驗證診斷結果，并評估其相應的殘差。傳統的氣動回路故障更多地依賴于信號處理技術［8］和專家經驗知識［9］，而數據驅動的診斷方法則不需要廣泛的先驗知識，可根據采集到的數據直接進行診斷。

本文以某生產線的氣動回路作為研究對象，建立基于雙向長短時記憶循環神經網絡的故障診斷模型，包括氣動回路各種故障的模擬，故障診斷數據集的制作，診斷模型設計和模型評價指標，最后將BiLSTM 模型與LSTM 模型的運行結果進行對比。

2 氣動回路故障仿真以及故障診斷數據集的建立

2.1 氣動回路仿真模型

AMESim 是多學科領域復雜系統建模仿真軟件，用戶可以通過AMESim 非常龐大的應用庫建立復雜的仿真模型。在AMESim 中，用于氣動系統建模的氣動庫中包含了一些在氣動系統中經常使用的氣動元件圖標，每個圖標都有一個或多個與之對應的數學模型，用于描述氣動元件的特性，以便更真實地模擬氣動系統的參數并進行仿真研究［10］。

某生產線的氣動回路由氣泵、電動機、過濾器、溢流閥、換向閥、氣缸、質量塊等部件組成。使用氣動元件設計庫PCD（Pneumatic Component Design）和機械庫的元件來建立氣動回路仿真模型如圖1所示。圖中，電動機和氣泵為氣缸運行提供了高壓空氣，過濾器用于去除空氣中的雜物，溢流閥用于穩定氣泵出口壓力，換向閥用于控制氣缸運行方向，安全溢流閥用于防止氣缸工作腔壓力超限，質量塊用于模擬氣缸運行的負載。

圖1 氣動回路仿真模型

2.2 氣動回路常見的故障

2.2.1 氣缸故障

泄漏是氣動回路中最常見的故障，氣缸的泄漏分為內泄漏和外泄漏。外泄漏通?？梢酝ㄟ^觀察發現，但作為研究對象之一也引入仿真模型，而內泄漏具有隱蔽性。不通過專業檢測很難發現中度以下的泄漏。氣缸內泄漏主要發生在活塞與缸筒壁面間的動密封部分和活塞與活塞桿之間的靜密封部分［11］。通過引入氣阻（內泄漏模塊）來模擬氣缸內泄漏，引入節流孔（外泄漏模塊）來模擬外泄漏。

2.2.2 換向閥的故障

換向閥的故障主要分為三種：換向不靈敏故障，換向閥泄漏故障，操縱力不足故障。

1）換向閥不靈敏故障主要由裝配人員安裝時用力過猛使閥體變形，加工精度不足導致摩擦力變大，污染物楔入或粘合在閥芯和閥孔之間的間隙中導致的。

2）換向閥泄漏故障的主要由閥芯和閥孔之間的磨損使兩者的配合間隙變大或密封圈受到污物腐蝕，組合密封圈老化，密封圈受力變形而導致的。

3）操縱力不足故障的兩個主要原因分別是換向閥兩端的控制小孔堵塞，復位彈簧在長期頻繁多次使用下出現疲勞變形，引起閥芯復位滯后，甚至不能復位。

2.2.3 過濾器故障

過濾器的故障現象主要分為三種：出口側壓力下降，出口側異物成飛散狀和過濾器外泄漏。

當過濾器性能下降時，過濾效果會變差，壓縮空氣會存在雜物（水、灰塵等），其摩爾質量值會增大。實際證明壓縮空氣的污染大大降低了氣動回路的工作可靠性和使用壽命。

2.3 氣動回路的故障診斷數據集的建立

在氣動回路故障仿真中設置仿真時間為14s（這也是氣動回路在生產線的一個運行周期時間，其中實際運行時間為2s，剩下12s 處于等待狀態）以0.01s的速度采集各元件的狀態值。對氣動回路模型調整以下五個參數分別為活塞與缸筒壁面間的間隙大小，活塞桿與缸筒偏心大小，氣缸外泄漏面積，換向閥從一個端口到另一個端口的流量系數，氣體的摩爾質量來模擬以上的單重故障和多重故障的發生（模擬單重故障時只調整一個參數，其它四個參數處于氣動回路正常運行的數值，模擬多重故障時同時進行調整多個參數）。依次進行700次仿真，對記錄數據做了一些處理然后建立700 個數據樣本并制作成氣動回路故障診斷數據集，其中數據集的輸入值選為內泄漏模塊端口1 的壓力和溫度，端口2 的壓力和氣體流過的質量流量，氣缸位移；數據集的輸出值選為活塞與缸筒壁面間的間隙大小，活塞桿與缸筒偏心，氣缸外泄漏，換向閥故障，氣體的摩爾質量?；钊c缸筒壁面間的間隙大小和氣體摩爾質量使用仿真的真實值，剩下的三個參數：活塞桿與缸筒偏心，氣缸外泄漏，換向閥故障都改為布爾類型數據，取值0表示無故障，取值1表示故障。

3 雙向長短時記憶循環神經網絡應用于的氣動回路的故障診斷

傳統的氣缸故障診斷方式通過分析P-V 指示圖（氣缸內壓力和容積的變化曲線）的特征來判斷氣缸的故障。對不同的故障，氣缸的內壓力和容積圖呈現出不同的形狀［12～13］。但此方法只能診斷氣缸的單重故障，對氣缸的多重故障診斷結果受到限制。這也是傳統故障診斷方法常遇到的問題，就是所建立的故障診斷模型只能識別單重故障而對多重故障無法識別或者識別出來的正確率非常低。本文借助數據驅動方法的深度學習來解決傳統故障診斷方法很難實現的多重故障診斷。

3.1 長短時記憶循環神經網絡（LSTM）結構

長短時記憶循環神經網絡中引入了三種門結構來保護和控制信息，分別為遺忘門，輸入門和輸出門，其結構如圖2 所示。這三種門的結構主要通過一個sigmoid 的神經層和一個逐點相乘的操作來完成［14］。

圖2 長短時記憶循環神經網絡結構

1）遺忘門：它的功能是決定上一時刻的St-1與Ct-1狀態是否保留到當前時刻的Ct當中。它的輸入為上一時刻的輸出St-1與當前時刻的輸入Xt經過sigmoid函數變換得到內部當前時刻輸出ft：

上述公式中，Wf表示遺忘門的權值矩陣，［St-1，Xt］表示兩向量縱向連接操作，bf表示輸入的偏置項。

2）輸入門：決定了當前時刻輸入Xt，有多少需要保存到當前單元狀態Ct。此部分功能的實現由兩個層組成：一個sigmoid 層來決定哪些輸入被更新，一個tanh 層生成一個向量作為備選更新信息，這兩層的輸出進行逐點相乘，從而對單元狀態Ct進行更新。

3.2 雙向長短時記憶循環神經網絡（BiLSTM）結構

LSTM只能根據之前時刻時序信息來預測下一時刻的輸出，但有些問題中，輸出結果不僅跟之前的狀態有關還跟之后的狀態有關（像本文所研究的氣動回路故障狀態一樣），雙向LSTM 則對整個時間序列對輸出進行預測。目前雙向LSTM 已經應用廣泛于各個領域如行為識別，說話人識別，交通流預測，股票推薦系統，機器翻譯等。

雙向LSTM結構如圖3所示，兩層LSTM分成正時間方向和負時間方向兩個部分，并且這兩層LSTM相互獨立，前饋到相同的輸出層，同時包括過去和未來的時序信息。第一層LSTM 計算當前的時間點順序信息，第二層LSTM 反向讀取相同的序列，添加逆序信息。LSTM 層之間的隱藏輸出不僅傳遞到相鄰單元，還作用于下一LSTM層的輸入［15］。

圖3 雙向長短時記憶循環神經網絡結構

3.3 雙向LSTM 氣動回路故障診斷模型以及診斷程序流程

根據前面制作的故障診斷數據集，建立雙向LSTM 網絡架構如下。網絡第一層為序列輸入層，其大小為5（相應于數據集輸入的5 個特征參數）；第二層為具有100 個隱藏單元的雙向LSTM 層；第三層是一個大小為400 的全連接層；第四層是丟棄層dropout；第五層是一個的小為5 的全連接層（相應于數據集輸出的5 個特征參數）；第六層是一個回歸輸出層。

使用Matlab 2020A 軟件作為開發平臺，基于雙向LSTM 的氣動回路故障診斷程序流程如圖4 所示，首先進行裝載故障診斷數據集，下一步，隨機抽取數據集里的40個樣本作為測試集，剩下的660個樣本作為訓練集。對訓練集和測試集的數據進行預處理，標準化（為了獲得較好的擬合同時防止訓練發散，將輸入輸出變量歸一化為具有零均值和單位方差）。建立雙向LSTM 網絡架構并初始化網絡參數以及訓練選項。對網絡模型進行訓練，當訓練次數達到已設置的數值時就自動結束訓練，計算測試集的輸出結果。接下來要對預測結果去標準化，轉回預處理之前的數據形式。最后對預測結果進行計算預測誤差。

圖4 雙向LSTM故障診斷流程圖

3.4 實驗結果與分析

因為所建立的氣動回路診斷網絡模型為多輸入多輸出（5 輸入-5 輸出）并且數據集的各個變量都是非線性關聯的，所以只用一個指標來衡量整個模型的預測性能或者用相同的指標評價五個參數的預測結果不能全面反映預測模型的性能。經過考慮，選用均方根誤差（RMSE）來評估整個故障診斷模型的預測性能，并使用平均相對誤差（MRE）來評估預測活塞與缸壁縫隙大小和氣體摩爾質量的準確性，使用正確率（Accuracy）來評估預測有無換向閥故障，活塞與缸筒是否存在偏心，氣缸是否存在外泄漏的準確性。三個評估指標的計算公式如下：

建立LSTM 網絡架構與雙向LSTM 架構進行比較診斷結果，經過10 次運行每個模型的平均評估指標如表1所示。

表1 LSTM和BiLSTM模型的預測性能比較

BiLSTM 模型比LSTM 模型訓練更耗時間但通過表1 可以看出BiLSTM 模型的預測性能優于LSTM 模型。從整體預測性能上看BiLSTM 的平均RMSE小于LSTM的平均RMSE，從單個參數的預測來看BiLSTM 模型的平均相對誤差小于LSTM 模型，同時平均正確率高于LSTM 模型。所建立的模型對診斷活塞與缸筒偏心效果稍差，平均正確率小于90%，預測其它變量的平均正確率都高于94%。實驗結果表明深度學習具有很強的識別多重故障能力。

圖5，6 分別畫出了BiLSTM 模型一次最好的預測結果，RMSE為0.5651，預測活塞與缸壁縫隙大小的平均相對誤差為0.0489，預測氣體摩爾質量的平均相對誤差為0.0293，預測活塞與缸筒偏心正確率為0.9，預測換向閥故障正確率為0.95，預測氣缸外泄漏正確率為0.975。

圖5 預測活塞與缸壁縫隙大小的平均相對誤差為0.0489

圖6 氣體摩爾質量預測平均相對誤差為0.0293

4 結語

由于現在國內外學者研究和發表有關深度學習應用于氣動系統的故障診斷較少，本文提出了一種將深度學習應用于氣動回路的故障診斷技術，根據某生產線的實際氣動回路使用AMESim 軟件建立仿真模型，模擬該氣動回路的單重故障和多重故障。制作氣動回路故障診斷數據集，建立LSTM 和雙向LSTM 網絡架構，訓練網絡模型，然后使用模型進行故障診斷，最后對實驗結果進行分析，并得出結論雙向LSTM 模型的預測性能優于LSTM 模型，診斷結果表明各參數預測的正確率都比較高，平均相對誤差都比較小。進一步的研究將提高預測活塞與缸筒偏心的正確率，繼續擴展數據集規模，引入更多的氣動回路故障類型，提高模型的預測能力和泛化能力。